Performance-Driven QUBO for Recommender Systems on Quantum Annealers
تقدم هذه الورقة PDQUBO، وهو أسلوب لا يعتمد على نموذج محدد لاختيار الميزات القائم على الأداء باستخدام نماذج التربيع التربيعي (QUBO) لأنظمة التوصية، والذي يستفيد من التحليل الضدي لمواءمة أهداف التلدين الكمي مع جودة التوصية، مبرهناً على أداء متفوق على النماذج الكمية والكلاسيكية السابقة في مجموعات البيانات الواقعية.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
الصورة الكبيرة: اختيار أفضل المكونات
تخيل أنك طاهٍ يدير مطعماً (نظام توصية - Recommender System). لديك مخزن ضخم مليء بـ 500 نوع مختلف من التوابل والمكونات (هذه هي الميزات أو الـ features). أنت تريد صنع أفضل طبق ممكن لزبائنك، لكن استخدام جميع المكونات الـ 500 معاً سيكون فوضوياً، ومكلفاً، وسيؤدي في الواقع إلى جعل طعم الطعام أسوأ لأن بعض المكونات قد لا تتناسب مع بعضها.
أنت بحاجة لاختيار المجموعة المثالية من، لنقل، 140 مكوناً ستجعل الطبق مذاقه رائعاً. هذا ما يسمى بـ اختيار الميزات (Feature Selection).
المشكلة تكمن في أن معرفة أي 140 مكوناً ستعمل بشكل أفضل معاً هو أمر صعب للغاية. الأمر يشبه محاولة العثور على التوليفة المثالية من المفاتيح لفتح قفل حيث توجد مليارات الاحتمالات.
الأداة الجديدة: "متذوق طعم" كمي
قام مؤلفو هذه الورقة البحثية، جيانغ نيو وفريقه، ببناء طريقة جديدة تسمى PDQUBO. إنهم يستخدمون نوعاً خاصاً من الحواسيب الفائقة يسمى المُلدّن الكمي (Quantum Annealer) لحل هذه المشكلة.
فكر في "المُلدّن الكمي" كأنه "متذوق طعم" سحري وسريع للغاية، يمكنه تجربة ملايين توليفات المكونات في لمح البصر ليجد التوليفة التي سيكون طعمها الأفضل. ومع ذلك، لجعل هذا السحر يعمل، يجب عليك إعطاء متذوق الطعم مجموعة محددة جداً من التعليمات (مسألة رياضية تسمى QUBO).
المشكلة في الطرق القديمة
قبل هذه الورقة، حاول باحثون آخرون إعطاء تعليمات لهذه الحواسيب الكمية، لكنهم كانوا مشوشين قليلاً.
- الطريقة القديمة: كانوا يخبرون الحاسوب الكمي، "اختر المكونات التي تتشابه إحصائياً مع بعضها البعض" أو "اختر المكونات التي تطابق ملصقات الوصفة".
- الخلل: مجرد كون مكونين يبدوان متشابهين على الورق لا يعني بالضرية أنهما سيعطيان طعماً جيداً معاً في الطبق النهائي. الطرق القديمة كانت تعمل على تحسين "الشيء الخطأ" (مثل عد كم عدد التوابل الحمراء التي تملكها) بدلاً من "الشيء الصحيح" (مثل مدى جودة طعم الطعام).
حل PDQUBO: تحليل "ماذا لو؟"
الفكرة الكبيرة للفريق هي أنها مدفوعة بالأداء (Performance-Driven). بدلاً من التخمين، يستخدمون تقنية تسمى التحليل المضاد للواقع (Counterfactual Analysis).
تخيل أن لديك طبقاً مثالياً.
- الاختبار: تأخذ مكوناً واحداً فقط (مثل البابريكا) وتقدم الطبق مرة أخرى. هل أصبح طعمه أسوأ؟ إذا كان الجواب نعم، فإن البابريكا مهمة.
- الاختبار المزدوج: تأخذ مكونين معاً (البابريكا والكمون مثلاً). هل أصبح طعم الطبق أسوأ بكثير مما لو أزلت مكوناً واحداً فقط؟ إذا كان الجواب نعم، فهذان المكونان بينهما "كيمياء" أو شراكة خاصة وحاسمة.
يقوم نظام PDQUBO بهذا الاختبار لكل مكون ولكل زوج من المكونات. إنه يقيس بالضبط مقدار ما سيعاني منه "الطبق" (جودة التوصية) عند فقدان مكون ما. ثم يقوم بتغذية بيانات "خسارة الطعم" هذه إلى الحاسوب الكمي.
النتيجة: الحاسوب الكمي لا يبحث فقط عن أنماط عشوائية؛ بل يتم إخباره صراحةً: "ابحث عن التوليفة من المكونات التي تسبب أقل قدر من خسارة الطعم". هذا يربط الرياضيات مباشرة بالهدف: وهو تقديم توصيات أفضل.
ما وجدوه (النتائج)
اختبر الفريق هذه الطريقة على بيانات من العالم الحقيقي (مثل تقييمات الأفلام أو عادات التسوق) باستخدام أنواع مختلفة من "الطهاة" (الخوارزميات).
- طعم أفضل: قدم نظام PDQUBO باستمرار توصيات أفضل من الطرق الكمية القديمة. كان الأمر كما لو أن الطاهي الجديد يعرف بالضبط أي التوابل يجب أن يحتفظ بها، بينما كان الطهاة القدامى يخمنون بناءً على اللون أو الشكل فقط.
- الآلة الكمية "المتذبذبة": اكتشفوا أن الحواسيب الكمية الحالية غير مستقرة قليلاً، مثل يد ترتجف. إذا كانت المشكلة كبيرة جداً أو صعبة للغاية، فقد يعطي الجهاز إجابة مختلفة قليلاً في كل مرة تسأله. ومع ذلك، كان نظام PDQUBO قوياً بما يكفي للتعامل مع هذا "الارتجاف" ومع ذلك وجد حلولاً جيدة.
- السرعة: كانت الطريقة الكمية سريعة للغاية في حل الجزء الرياضي، أسرع بكثير من الحواسيب التقليدية، رغم أن إعداد "اختبار الطعم" (تجهيز البيانات) لا يزال يستغرق وقتاً على الحواسيب العادية.
- الشراكات مهمة: أثبتوا أن النظر إلى المكونات في أزواج (التحقق مما إذا كان البابريكا والكمون يعملان جيداً معاً) أمر ضروري. إذا نظرت فقط إلى المكونات واحداً تلو الآخر، فستفقد سحر كيفية تفاعلها مع بعضها البعض.
الخلاصة
تظهر هذه الورقة البحثية أنه من خلال استخدام نهج "ماذا لو؟" لقياس مدى تضرر التوصية بالضبط عند إزالة ميزة ما، يمكننا تعليم الحواسيب الكمية اختيار أفضل الميزات لنا. إنها خطوة نحو استخدام هذه الآلات المستقبلية لجعل اقتراحات "نتفليكس"، و"سبوتيفاي"، و"أمازون" أفضل وأسرع وأكثر دقة بشكل كبير.
باختصار: لقد علموا الحاسوب الكمي كيف يتوقف عن التخمين ويبدأ في "تذوق" المكونات، لضمان أن تكون التوصية النهائية هي الأفضل ما يمكن.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.